基于模糊神經(jīng)網(wǎng)絡(luò)的無人機(jī)實時避障算法

呂智虎，梁曉龍，任寶祥，李 哲，張佳強(qiáng)，齊 鐸，侯岳奇

(1.空軍工程大學(xué)空管領(lǐng)航學(xué)院，西安，710051; 2.陜西省電子信息系統(tǒng)綜合集成重點實驗室，西安，710051)

無人機(jī)具有隱蔽性好、機(jī)動性強(qiáng)、成本較低等特點，隨著無人機(jī)應(yīng)用領(lǐng)域不斷拓展，所處的飛行環(huán)境也更加復(fù)雜，提高無人機(jī)的自主避障能力成為確保任務(wù)完成的必要條件[1]。

目前避障算法主要包括勢場法[2]、基于圖論的算法[3]和智能優(yōu)化算法[4]。基于圖論的避障算法主要有A*算法[5]、D*算法[6]、Voronoi圖法[7]等。智能優(yōu)化算法主要包括遺傳算法[8]、蟻群算法[9]、人工蜂群算法[10]、粒子群算法[11]等。當(dāng)前的無人機(jī)避障方法大部分是在障礙物信息已知的條件下進(jìn)行全局路徑預(yù)規(guī)劃，對有碰撞風(fēng)險的路徑進(jìn)行重規(guī)劃從而實現(xiàn)避障要求。而在環(huán)境中障礙物信息未知的情況下，無人機(jī)難以進(jìn)行全局路徑規(guī)劃，需要無人機(jī)能夠?qū)崟r探測并規(guī)劃避障路徑。

針對未知環(huán)境中的無人機(jī)避障問題，文獻(xiàn)[12]提出了一種改進(jìn)人工勢場路徑規(guī)劃算法，實現(xiàn)了未知環(huán)境中對靜態(tài)、動態(tài)障礙物的規(guī)避，但其避障路徑中存在冗余路徑。文獻(xiàn)[13]提出一種多層雙向A*算法，使智能體可以在復(fù)雜環(huán)境中實時規(guī)避突發(fā)障礙，但該算法僅適用于少量存在未知障礙物的情況。文獻(xiàn)[14]將模糊神經(jīng)網(wǎng)絡(luò)應(yīng)用于無人機(jī)電力巡檢，無人機(jī)能夠沿預(yù)設(shè)路徑飛行并規(guī)避未知障礙物，但沒有利用無人機(jī)運(yùn)動方向與障礙物的角度信息，增加避障路徑。

模糊神經(jīng)網(wǎng)絡(luò)能夠結(jié)合已有的避障規(guī)則與障礙物特征，通過訓(xùn)練優(yōu)化模糊控制器的參數(shù)，使無人機(jī)在障礙物信息未知的環(huán)境中依然能夠?qū)崿F(xiàn)避障[15]。

本文首先對模糊控制器的輸入變量、輸出變量以及初始隸屬度函數(shù)進(jìn)行設(shè)計，優(yōu)化了模糊控制器的輸入變量；其次利用模糊控制器得到無人機(jī)避障的理想路徑，從該路徑中提取避障過程中無人機(jī)運(yùn)動狀態(tài)、與障礙物位置關(guān)系的數(shù)據(jù)生成訓(xùn)練數(shù)據(jù)集，用于訓(xùn)練模糊神經(jīng)網(wǎng)絡(luò)；最后將訓(xùn)練后的模糊神經(jīng)網(wǎng)絡(luò)在新的未知環(huán)境中進(jìn)行測試驗證。

1 無人機(jī)實時避障問題建模

1.1 問題描述

在障礙物信息未知的室內(nèi)飛行區(qū)域中，給定起始點O與目標(biāo)點E，在飛行過程中無人機(jī)能夠主動探測環(huán)境中障礙物信息，并對障礙物進(jìn)行實時規(guī)避，最終安全抵達(dá)目標(biāo)點，如圖1所示。由于室內(nèi)環(huán)境較為狹窄，因此選用低速微型無人機(jī)。

圖1 避障環(huán)境模型

1.2 模型建立

1.2.1 傳感器模型

激光雷達(dá)能夠測得目標(biāo)距離、方位甚至形狀等參數(shù)，具有測量精度高、探測范圍大以及結(jié)構(gòu)簡單等優(yōu)點，在避障和建圖中較為常用[16]。目前激光雷達(dá)主要有兩種測距原理：三角測距原理與TOF測距原理[17]，其中，TOF雷達(dá)可以測量的距離更遠(yuǎn)，并且可以在長距離范圍內(nèi)保持較高精度[18]。

(1)

則無人機(jī)到第i個障礙點的距離di為：

(2)

式中：c表示電磁波傳播速度。

(3)

1.2.2 無人機(jī)運(yùn)動模型

給定無人機(jī)某一時刻的運(yùn)動速度大小改變量與航向角改變量，通過無人機(jī)運(yùn)動方程來計算無人機(jī)的下一時刻位置，實現(xiàn)無人機(jī)的運(yùn)動控制。

設(shè)定無人機(jī)的控制量更新周期為Ts，通過式(4)便可計算出其下一航跡點位置。

(4)

式中：v(t)為t時刻無人機(jī)運(yùn)動速度大??；α(t)為t時刻無人機(jī)航向角。其更新公式為：

(5)

式中：Δv及Δα分別為t時刻的速度改變量及航向角改變量，單位分別為m/s及rad/s。

1.2.3 環(huán)境模型

文獻(xiàn)[19]將障礙物劃分為平面類、棱角類、弧形類3類，成功實現(xiàn)了障礙物的形狀識別。文獻(xiàn)[20]將不規(guī)則障礙物進(jìn)行分割或者補(bǔ)全為規(guī)則的四邊形、圓形等凸多邊形，再利用幾何法計算無人機(jī)登陸點，最后選取最優(yōu)路徑實現(xiàn)避障。

本文將障礙物簡化為3類，分別是四邊形、三角形、圓形，其他復(fù)雜障礙物均可以由這3類組合而成。為模擬未知環(huán)境，無人機(jī)在飛行過程中只能獲取探測半徑以內(nèi)的障礙物信息。

1.3 無人機(jī)避障流程

無人機(jī)的實時避障流程如圖2所示。

圖2 無人機(jī)避障流程

如圖3所示，設(shè)無人機(jī)自身位置與目標(biāo)點之間的距離為Df，無人機(jī)與目標(biāo)點最大許可距離為Da。將Da作為判斷無人機(jī)是否抵達(dá)目標(biāo)點的依據(jù)，即當(dāng)無人機(jī)與目標(biāo)點的距離小于最大許可距離時，認(rèn)為無人機(jī)已經(jīng)到達(dá)目標(biāo)點。探測器獲取的附近障礙物的最小距離為Dmin，無人機(jī)探測半徑為Rd。

圖3 避障流程參數(shù)說明

Step1無人機(jī)開始飛行并檢測距離Df，如果Df>Da，即無人機(jī)與目標(biāo)點的距離大于最大許可距離，轉(zhuǎn)到Step2，否則轉(zhuǎn)到Step5；

Step2無人機(jī)實時探測障礙物，如果探測到障礙物，即Dmin

Step3無人機(jī)獲取到障礙物距離與角度信息，在模糊神經(jīng)網(wǎng)絡(luò)控制器下進(jìn)行避障，轉(zhuǎn)到Step2；

Step4無人機(jī)在目標(biāo)點的引力作用下，以當(dāng)前位置與目標(biāo)點連線為航向角飛行，逐漸增大速度，轉(zhuǎn)到Step1；

Step5抵達(dá)目標(biāo)點，結(jié)束飛行。

2 基于模糊控制的避障算法

為獲取模糊神經(jīng)網(wǎng)絡(luò)避障算法的訓(xùn)練數(shù)據(jù)，首先需要設(shè)計能夠有效規(guī)避障礙物的Mamdani型模糊控制器，然后提取無人機(jī)在避障過程中的數(shù)據(jù)，最后用于模糊神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。

2.1 模糊控制器輸入輸出變量定義

2.1.1 輸入變量定義

為了使障礙物信息得到充分利用，將模糊控制器的輸入變量定義為無人機(jī)到探測范圍內(nèi)障礙點的最小距離d和無人機(jī)當(dāng)前運(yùn)動方向與無人機(jī)與障礙點連線形成的等效夾角θ，如圖4所示。

圖4 模糊控制器輸入變量

O點表示無人機(jī)當(dāng)前位置，E表示目標(biāo)點，D1,D2,…,Dn表示在無人機(jī)探測范圍內(nèi)的障礙物邊界離散點，n為探測范圍內(nèi)的障礙點個數(shù)，di為無人機(jī)到探測范圍內(nèi)第i個障礙點的距離，則模糊控制器第1個輸入變量d為：

d=min{d1,d2,…,dn}

(6)

將式(1)、式(2)代入式(6)得到d的計算公式：

(7)

(8)

θi為無人機(jī)當(dāng)前運(yùn)動方向與無人機(jī)與第i個障礙點連線的夾角，其計算公式為：

(9)

將式(3)、式(9)代入到式(8)得到θ計算公式：

(10)

2.1.2 輸出變量定義

本文中無人機(jī)的運(yùn)動狀態(tài)由速度大小與航向角確定，輸出變量設(shè)計為運(yùn)動速度大小改變量Δv與航向角改變量Δα。

2.2 模糊控制器隸屬度函數(shù)定義

2.2.1 輸入變量隸屬度函數(shù)

對于輸入變量d，其論域是由無人機(jī)最大探測范圍所決定的。目前市面上的激光雷達(dá)，例如HOKUYO公司的UST-05LX，SLAMTEC公司的RPLIDAR等，能夠很好地實現(xiàn)對15 m以內(nèi)障礙物的探測，因此確定d的模糊論域為[0,15]，單位為m，模糊分割數(shù)為3，模糊集合為{近，中，遠(yuǎn)}={N，M，F(xiàn)}。其中“近”表示無人機(jī)與障礙物距離較近，“中”、“遠(yuǎn)”含義同理。其隸屬度函數(shù)采用高斯分布，如圖5所示。

圖5 輸入變量d隸屬度函數(shù)

對于輸入變量θ，其論域是由無人機(jī)運(yùn)動方向與無人機(jī)與障礙物相對位置關(guān)系共同確定，如圖6所示。

圖6 輸入變量θ范圍

只有θi為銳角時，才認(rèn)為此時的障礙點Di對無人機(jī)有碰撞威脅，否則忽略不滿足該條件的點。因此，θ模糊論域為[-π/2,π/2]，單位為rad，模糊分割數(shù)為5，模糊集合為{左大，左下，中，右小，右大}={LB，LS，M，RS，RB}，其中，“左大”表示障礙物主要集中分布在無人機(jī)運(yùn)動方向的左側(cè)，且與無人機(jī)運(yùn)動方向的夾角較大。其他模糊語言的含義同理，其隸屬度函數(shù)定義如圖7。

圖7 輸入變量θ隸屬度函數(shù)

2.2.2 輸出變量隸屬度函數(shù)

為實現(xiàn)無人機(jī)更精確的控制，將輸出變量Δv、Δα的模糊分割數(shù)設(shè)計為5。同時為使無人機(jī)的運(yùn)動軌跡更為平滑，需要考慮其運(yùn)動學(xué)約束，本文限定了無人機(jī)的最大加速度與最大角速度。無人機(jī)的控制量更新周期Ts=0.25 s，速度改變量Δv論域范圍為[-0.5,0.5]，即無人機(jī)加速度大小最大為2 m/s2，模糊集合為{驟減，減速，勻速，加速，驟增}={VS，S，M，F(xiàn)，VF}。其隸屬度函數(shù)采用高斯分布，如圖8所示。

圖8 輸出變量Δv隸屬度函數(shù)

無人機(jī)最大角速度確定為1.57 rad/s，根據(jù)控制量新周期Ts=0.25 s，因此航向角改變量Δα論域范圍為[-0.393,0.393]，模糊集合為{左大，左小，中等，右小，右大}={LB，LS，M，RS，RB}。其中“左大”表示航向角增加較大角度；即無人機(jī)向左轉(zhuǎn)較大角度；“中等”表示無人機(jī)航向角不發(fā)生明顯改變，其他模糊語言含義同理。其隸屬度函數(shù)如圖9所示。

圖9 輸出變量Δα隸屬度函數(shù)

2.2.3 模糊控制器規(guī)則設(shè)計

模糊控制器的規(guī)則設(shè)計，需要在已有經(jīng)驗的前提下，給定輸入、輸出變量的對應(yīng)關(guān)系，保證無人機(jī)能夠?qū)崿F(xiàn)躲避障礙物的功能。本文設(shè)計的兩個輸入變量d、θ的模糊分割數(shù)分別為3、5，因此共有15條規(guī)則，如表1所示。

表1 模糊控制器規(guī)則表

當(dāng)輸入變量d為“N”,θ為“LS”時，輸出變量Δv為“VS”，Δα為“TRB”，即當(dāng)無人機(jī)距離障礙物近，且當(dāng)前航向角方向與無人機(jī)與障礙物連線夾角較小時，需要減速，減小航向角，使無人機(jī)低速右轉(zhuǎn)，從而安全規(guī)避障礙物。

2.2.4 輸出量控制曲面

圖10反映了模糊控制器的輸出變量Δv、Δα與輸入變量的變化關(guān)系。

圖10 速度與航向角控制曲面

由圖10可知，隨著d和|θ|的減小，輸出變量Δv減小。說明無人機(jī)距離障礙物越近，航向角越靠近障礙物，則越需要低速飛行。且Δv、Δα的變化較為平滑，保證了無人機(jī)飛行過程中能夠滿足運(yùn)動學(xué)約束。

模糊控制器采取固定的規(guī)則來實現(xiàn)無人機(jī)的避障要求，控制過程簡單，實時性較好。但是其控制器的參數(shù)與規(guī)則確定后無法更改，適應(yīng)性較差，當(dāng)面對不同的環(huán)境時，規(guī)劃路徑效果不理想。此外，由于固定規(guī)則的限制，面對“凹多邊形”障礙物時，容易進(jìn)入“陷阱”，無法實現(xiàn)避障要求。

3 模糊神經(jīng)網(wǎng)絡(luò)避障算法

模糊控制適應(yīng)性差，在障礙物分布差異較大的新環(huán)境中避障效果不穩(wěn)定。而模糊神經(jīng)網(wǎng)絡(luò)在通過訓(xùn)練后，能夠充分利用輸入信息，提取障礙物的深度特征，提高避障算法對環(huán)境的適應(yīng)性，使無人機(jī)在障礙物較為復(fù)雜的環(huán)境中也能夠完成避障任務(wù)。

3.1 模糊神經(jīng)網(wǎng)絡(luò)

在模糊系統(tǒng)中，主要有Mamdani模型和Takagi-Sugeno模型。Takagi-Sugeno型模糊推理計算簡單，有利于數(shù)學(xué)分析，且易于和PID控制方法以及優(yōu)化、自適應(yīng)方法相結(jié)合[21]。

圖11為Takagi-Sugeno模型的模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。該網(wǎng)絡(luò)由前件網(wǎng)絡(luò)和后件網(wǎng)絡(luò)兩部分組成[22]。前件網(wǎng)絡(luò)由4層組成，其作用分別為傳遞輸入，計算隸屬度、計算適應(yīng)度以及歸一化。后件網(wǎng)絡(luò)有yi個結(jié)構(gòu)相同的并列子網(wǎng)絡(luò)組成，每個子網(wǎng)絡(luò)生成一個輸出量。自網(wǎng)絡(luò)的第1層為輸入層，將輸入傳遞給第2層。第2層用于計算每一條規(guī)則的后件，即：

圖11 基于Takagi-Sugeno模型的模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

(11)

式中：j=1,2,…,m;i=1,2,…,r。

子網(wǎng)絡(luò)的第3層是計算系統(tǒng)的輸入，即：

(12)

yi是模糊神經(jīng)網(wǎng)絡(luò)的輸出，由各規(guī)則后件加權(quán)和計算，加權(quán)系數(shù)為各模糊規(guī)則經(jīng)歸一化的使用度，即前件網(wǎng)絡(luò)的輸出用于后件網(wǎng)絡(luò)第3層的連接權(quán)值。

3.2 模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)訓(xùn)練流程

本文利用MATLAB中的自適應(yīng)神經(jīng)模糊推理系統(tǒng)工具箱來完成模糊神經(jīng)網(wǎng)絡(luò)的設(shè)計與訓(xùn)練。首先無人機(jī)在模糊控制下進(jìn)行避障，提取避障路徑中的d、θ、Δv、Δα參數(shù)生成訓(xùn)練數(shù)據(jù)。然后將前文所設(shè)計模糊控制器中的輸入變量及隸屬度函數(shù)作為初始參數(shù)。由于d、θ模糊分割數(shù)分別為3、5，因此初始模糊神經(jīng)網(wǎng)絡(luò)同樣有15條規(guī)則，每條規(guī)則下都對應(yīng)一個輸出變量的隸屬度函數(shù)。MIMO的模糊規(guī)則可分解為多個MISO模糊規(guī)則，因此分別對Δv、Δα進(jìn)行訓(xùn)練。圖12為Δv、Δα的初始模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

圖12 輸出變量Δv、Δα訓(xùn)練網(wǎng)絡(luò)

第1層為輸入變量層，將輸入變量值傳遞給網(wǎng)絡(luò)；第2層為輸入變量隸屬函數(shù)層，其中定義了初始的隸屬度函數(shù)；第3層為規(guī)則層，規(guī)則均采用and邏輯；第4層為輸出變量隸屬度函數(shù)，每個隸屬度函數(shù)由輸入變量通過線性運(yùn)算得到；第5層為歸一化層，第6層為輸出變量。

之后將初始模糊神經(jīng)網(wǎng)絡(luò)、訓(xùn)練數(shù)據(jù)、測試數(shù)據(jù)導(dǎo)入至模糊推理系統(tǒng)編輯器，并設(shè)置訓(xùn)練算法、誤差精度以及訓(xùn)練次數(shù)。

本文選擇混合算法，訓(xùn)練誤差為0.003，訓(xùn)練次數(shù)為40。訓(xùn)練完成的輸入變量隸屬度函數(shù)如圖13所示。

圖13 輸入變量d、θ訓(xùn)練結(jié)果

與初始隸屬度函數(shù)(圖5～7)相比，該隸屬度函數(shù)的中心值與寬度值有了較大改變。最后將訓(xùn)練完畢的模糊神經(jīng)網(wǎng)絡(luò)在新的仿真環(huán)境中進(jìn)行測試，驗證其避障效果。

4 仿真結(jié)果

4.1 仿真條件

仿真環(huán)境為600 m×600 m的正方形，以原點(0,0)建立直角坐標(biāo)系，起始點坐標(biāo)(30,30)，目標(biāo)點坐標(biāo)(500,500)，無人機(jī)最大速度vmax=4 m/s，最小速度vmin=1 m/s，控制量更新周期Ts=0.25 s，最大角速度ωmax=1.57 rad/s，最大加速度amax=2 m/s2，最大探測半徑Rd=15 m。

4.2 模糊控制避障仿真結(jié)果

圖14為模糊控制器在仿真環(huán)境下的避障效果，從圖中可以看出，在多次調(diào)整隸屬度函數(shù)和模糊規(guī)則后，控制器能夠?qū)崿F(xiàn)較好的避障效果，且運(yùn)動軌跡平滑，安全性較高。圖中標(biāo)注出了5個關(guān)鍵避障節(jié)點，其飛行仿真數(shù)據(jù)見表2。根據(jù)表中的數(shù)據(jù)與輸入、輸出變量隸屬度，可以確定每個節(jié)點無人機(jī)所采取的模糊規(guī)則，證實了模糊控制器實現(xiàn)避障的可行性。

圖14 模糊控制器避障結(jié)果

表2 關(guān)鍵節(jié)點飛行數(shù)據(jù)

但是模糊控制算法采用固定規(guī)則來實現(xiàn)避障，試湊法確定的模糊控制器參數(shù)無法實時變化。當(dāng)環(huán)境發(fā)生改變時，適應(yīng)性較差。此外，基于經(jīng)驗設(shè)計的規(guī)則只考慮了簡單的障礙物分布情況，當(dāng)環(huán)境中存在復(fù)雜“凹多邊形”區(qū)域，無人機(jī)便會進(jìn)入“陷阱”，無法實現(xiàn)避障要求。

4.3 模糊控制與模糊神經(jīng)網(wǎng)絡(luò)避障仿真對比

圖15為兩種算法在新的障礙物環(huán)境中的避障效果對比。與圖14相比，環(huán)境中的障礙物位置發(fā)生了變化。對比兩圖可知，兩種算法都能實現(xiàn)避障，但在面對同一障礙物時，規(guī)劃的避障路徑卻不同。模糊控制器按照固定的規(guī)則，當(dāng)θ為M時，只能采取向左飛行規(guī)避障礙物的策略。而模糊神經(jīng)網(wǎng)絡(luò)控制器則能根據(jù)訓(xùn)練數(shù)據(jù)，提取障礙物特征，根據(jù)不同的障礙物采取更優(yōu)的避障策略。

圖15 模糊控制、模糊神經(jīng)網(wǎng)絡(luò)仿真結(jié)果對比

圖16為在該環(huán)境中采用兩種避障方法的無人機(jī)飛行狀態(tài)對比圖。模糊控制規(guī)劃路徑長度為1 046.4 m，模糊神經(jīng)網(wǎng)絡(luò)規(guī)劃路徑長度為938.7 m。由圖可知，在118 s時無人機(jī)采取了不同的避障動作，路徑抵達(dá)目標(biāo)點的時間分別為244 s和271.75 s。模糊神經(jīng)網(wǎng)絡(luò)縮短了避障路徑，能夠更快到達(dá)目標(biāo)點。

圖16 飛行狀態(tài)對比

圖17為其中另一新環(huán)境中的避障效果對比，該環(huán)境中存在局部的“凹多邊形”障礙物區(qū)域。

圖17 隨機(jī)環(huán)境中模糊控制、模糊神經(jīng)網(wǎng)絡(luò)仿真結(jié)果對比

模糊神經(jīng)網(wǎng)絡(luò)經(jīng)過大量避障數(shù)據(jù)的訓(xùn)練，能夠提取障礙物分布的深度信息，其輸出是輸入的線性組合，并不依賴固定的規(guī)則。當(dāng)無人機(jī)進(jìn)入到“凹多邊形”區(qū)域內(nèi)時，能夠根據(jù)障礙物特征，做出“后退”的飛行動作，從“陷阱”中脫離。

最后，通過蒙特卡羅仿真實驗比較模糊控制與模糊神經(jīng)網(wǎng)絡(luò)算法的避障效果，驗證模糊神經(jīng)網(wǎng)絡(luò)具有更強(qiáng)的適應(yīng)性。首先以文中的7個障礙物模型為基礎(chǔ)，隨機(jī)更改它們的位置，生成了500張障礙物地圖。然后無人機(jī)在兩種控制算法下分別進(jìn)行避障仿真，并統(tǒng)計無人機(jī)的避障次數(shù)、路徑長度與飛行時間。實驗結(jié)果如表3所示。

表3 避障仿真實驗結(jié)果

在500次的仿真實驗中，模糊神經(jīng)網(wǎng)絡(luò)算法的避障成功率更高，平均路徑更短，飛行時間更少，說明了該算法有更強(qiáng)的適應(yīng)性。

但是由于無人機(jī)在未知環(huán)境中規(guī)劃的是局部路徑，且模糊神經(jīng)網(wǎng)絡(luò)算法沒有考慮障礙物信息處理、環(huán)境信息融合等問題，因此依然存在部分“凹多邊形”區(qū)域影響無人機(jī)的避障效果。另外，由于全局環(huán)境信息未知，模糊神經(jīng)網(wǎng)絡(luò)只能得到可行解，并非最優(yōu)解。針對未知環(huán)境中如何得到最優(yōu)路徑問題，還需更深入的研究與探討。

5 結(jié)語

本文采用等效夾角優(yōu)化了模糊控制器的輸入變量，將模糊控制應(yīng)用于無人機(jī)未知環(huán)境中的避障，生成了避障路徑。然后提取路徑數(shù)據(jù)，設(shè)計并訓(xùn)練模糊神經(jīng)網(wǎng)絡(luò)，并進(jìn)行了蒙特卡羅仿真實驗，比較了兩種算法的避障效果。結(jié)果表明模糊神經(jīng)網(wǎng)絡(luò)算法的適應(yīng)性更強(qiáng)，能夠優(yōu)化局部避障路徑，規(guī)避分布較為復(fù)雜的障礙物，在未知環(huán)境中的避障成功率更高。